На девятом митапе MWS для ИТ-руководителей обсуждали неприятный для многих компаний факт: внедрение ИИ может заметно ускорить отдельного разработчика, но не дать такого же эффекта для бизнеса. Проверка гипотезы теперь нередко занимает один вечер, а часть задач ИИ-агент закрывает за минуты, но путь от быстрого прототипа до стабильного результата для клиента по-прежнему длинный и дорогой.
Об этом сообщает Habr / Карьера в разборе итогов встречи MWS Meetup, где выступили представители MWS, Т-Банка и HeadHunter. Сквозная тема митапа выглядела трезво: сам по себе технологический рывок больше не гарантирует ускорения компании. Если процессы не готовы, данные не собраны, а команда не умеет переваривать новый темп, внедрение ИИ быстро превращается в фабрику пилотов, которые впечатляют на демо и буксуют в реальной работе.
Директор по технологической стратегии MWS Дмитрий Лаптев описал это как разрыв между амбицией и исполнением. По его логике, у любой новой ИИ-инициативы есть как минимум три уровня проверки. Сначала компания должна понять, можно ли вообще реализовать идею технически. Затем довести решение до рабочего состояния, проверить стабильность и убрать новые риски. И только после этого смотреть на главный вопрос: изменились ли бизнес-показатели или клиентский опыт. Для рынка это важный сдвиг. Еще недавно сам факт запуска ИИ-функции часто считался достижением. Теперь этого уже мало: если метрики не сдвинулись, значит, проект в лучшем случае остался дорогим упражнением на тему технологической любознательности.
Из этого следует и новая роль руководителя. Речь уже не о том, чтобы угадать одну правильную технологию раньше конкурентов. Гораздо важнее выстроить процесс, в котором слабые идеи быстро отсекаются, а сильные можно без лишней бюрократии доводить до промышленного уровня. Иначе компания копит витрину незавершенных прототипов: все что-то попробовали, у всех есть внутренние демо, но на P&L и на клиентском пути это никак не отражается. Для ИТ-директоров и продактов это, пожалуй, главный практический вывод: снижение стоимости эксперимента не отменило стоимость внедрения, а просто сделало ее заметнее.
Отдельный блок митапа был посвящен тому, почему ускорение одного человека не означает ускорения всей команды. Ольга Склярова, лидер Agile ИТ-кластера Продажи и обслуживание в MWS, и Евгений Калабин, руководитель группы обучения и продвижения практик Agile в MWS, рассказали о типичном эффекте пробки. Когда разработчик с ИИ-инструментами начинает выполнять вдвое больше задач, следующему этапу приходится принимать уже удвоенный поток. Но тестирование, ревью, согласования и выпуск не начинают работать вдвое быстрее автоматически. В результате задач в системе становится больше, а до пользователя они доходят примерно с той же скоростью. На пилоте MWS это проявилось быстро: команды хорошо приняли инструменты, сотрудники освоили их быстрее ожидаемого, производительность выросла, но одновременно подскочили затраты на проверку результатов и ревью, а дефектов стало больше. Качество удерживалось не магией модели, а дополнительными усилиями людей.
Этот вывод подтвердил и опыт Т-Банка. Тимлид команды разработки Ольга Шутова рассказала о двухмесячном пилоте ИИ-инструментов, где команды тоже быстро освоили новые возможности, а уровень скепсиса после практики заметно снизился. Производительность выросла, но сам эксперимент показал старую инженерную истину в новой упаковке: локальная оптимизация редко спасает весь конвейер. Если следующий этап процесса не готов к возросшему объему, скорость на предыдущем участке быстро упирается в очередное узкое место. Для разработчиков здесь нет особой сенсации, но для бизнеса есть неприятное уточнение: покупка еще одного ИИ-сервиса не решает системную проблему, если сама поставка изменений организована слабо.
Еще жестче прозвучал тезис о данных и процессах. По словам Дмитрия Лаптева, нейросеть работает с той информацией и теми правилами, которые уже существуют внутри компании. Опытный человек способен заметить противоречие в источниках, усомниться в цифре, запросить уточнение. Машина, напротив, может принять ошибочные или неполные значения за норму и продолжить работу как ни в чем не бывало. Поэтому внедрение ИИ почти неизбежно превращается в аудит внутренних данных. В этот момент у многих компаний и начинается самое интересное: внезапно выясняется, что справочники расходятся, процессы описаны частично, а часть решений держится на неформальных знаниях конкретных сотрудников. ИИ в таком случае не столько чинит организацию, сколько подсвечивает ее давно накопленные долги.
Из этого вытекает еще один неудобный, но полезный вопрос: нужно ли вообще сохранять старый процесс в прежнем виде. Нейросеть действительно может ускорить привычную операцию, но иногда выгоднее не автоматизировать лишний шаг, а убрать его и заново собрать процесс уже с учетом новых возможностей. Такой подход требует от бизнеса большей смелости, чем простое подключение модного инструмента, зато и эффект в нем обычно выше. Для HR в IT, руководителей команд и фаундеров это тоже сигнал: разговор про ИИ постепенно смещается от выбора модели к пересборке ролей, зон ответственности и критериев качества.
Главный менеджер продуктов по поиску и рекомендациям HeadHunter Анастасия Азоркина предложила смотреть на эту работу через три горизонта. Первый связан с текущими процессами, которые уже дают результат и требуют постоянных улучшений. Второй касается экспериментов с ближайшими возможностями. Третий относится к стратегическим ставкам, где потенциальный выигрыш высок, а определенности пока мало. Такая рамка полезна тем, что возвращает внедрение ИИ в управляемый контур. Компания не бросает все силы только в эксперименты и не делает вид, что можно бесконечно оптимизировать старую систему без оглядки на новые инструменты. После каждого пилота должен оставаться не набор впечатлений, а понятное решение: масштабировать, дорабатывать или закрывать.
На практике девятый митап MWS зафиксировал довольно зрелый разворот дискуссии. Несколько лет рынок обсуждал, что ИИ умеет делать. Теперь разговор становится взрослее и дороже по смыслу: какие процессы выдержат новый темп, где именно находится ограничение, кто отвечает за качество данных и как не перепутать быстрый эксперимент с полезным для бизнеса внедрением ИИ. Похоже, в ближайшие циклы выигрывать будут не те компании, которые громче всех заявят о своих агентах, а те, кто сумеет превратить ускорение отдельных людей в предсказуемый результат для всей системы.